Predição da evapotranspiração de referência usando rede LSTM bidirecional e VAR+LSTM

Abstract

RESUMO: A evapotranspiração de referência é um parâmetro agrometeorológico muito importante para irrigação. Através dele é possível mensurar a quantidade de água transferida do solo para a atmosfera. Para estimar essa taxa existem vários métodos que variam de acordo com a disponibilidade de elementos meteorológicos e diferentes climas ao redor do mundo. Assim, a inserção de tecnologias de monitoramento e atuação agrícola tem como objetivo o aperfeiçoamento do manejo nas culturas, onde se desenvolveu o campo da agricultura de precisão, com uma grande quantidade de dados meteorológicos, de plantio e de produção disponíveis para gerenciamento e previsão de recursos. A importância dessa gestão consiste numa melhor utilização dos recursos naturais disponíveis, como no caso deste trabalho, a água. Dessa forma, através da predição da taxa de evapotranspiração do solo é possível determinar uma vazão mais específica e correta para a irrigação diária de uma cultura. Neste contexto, esse estudo propôs uma predição utilizando um modelo de Machine Learning, nomeada como BiLSTM, que utiliza o histórico de dados meteorológicos e de evapotranspiração da cidade de Salvador, Bahia. Como resultados, este trabalho apresentou uma predição com valor de erro médio de 0,387 e um viés muito próximo de zero. Além disso, foi proposta uma rede denominada VAR+LSTM, para comparação dos resultados com a rede BiLSTM e LSTM tradicionais. Por fim, a rede BiLTSM apresentou as melhores métricas, porém, todos os algoritmos apresentaram uma assertividade da taxa de evapotranspiração que resulta em uma maior economia de água e energia.

ABSTRACT: Reference evapotranspiration is a very important agrometeorological parameter for irrigation. Through it it is possible to measure the amount of water transferred from the soil to the atmosphere. To estimate this rate, there are several methods that vary according to the availability of meteorological elements and different climates around the world. Thus, the insertion of agricultural monitoring and performance technologies aims to improve crop management, where the field of precision agriculture was developed, with a large amount of meteorological, planting and production data available for management and prediction of resources. The importance of this management consists of a better use of available natural resources, as in the case of this work, water. Thus, by predicting the soil evapotranspiration rate, it is possible to determine a more specific and correct flow for the daily irrigation of a crop. In this context, this study proposed a prediction using a Machine Learning model, named as BiLSTM, which uses historical meteorological and evapotranspiration data from the city of Salvador, Bahia. As a result, this work presented a prediction with a mean error value of 0.387 and a bias very close to zero. In addition, a network called VAR+LSTM was proposed to compare the results with the traditional BiLSTM and LSTM network. Finally, the BiLTSM network presented the best metrics, however, all algorithms presented an assertiveness of the evapotranspiration rate that results in greater water and energy savings.